Представлен метод мета-обучения для оценки роста растений при нехватке данных

В препринте на платформе arXiv представлен новый фреймворк для мониторинга тепличных растений, работающий в условиях дефицита размеченных данных. Разработчики применили подход few-shot регрессии, который существенно снижает затраты на сбор обучающих выборок.

Предложенный метод объединяет эмбеддинги признаков модели Vision Transformer (ViT), структурирование задач через нечеткую кластеризацию fuzzy c-means и градиентное мета-обучение. Исследование показало, что формирование задач в пространстве эмбеддингов является ключевым фактором итоговой производительности.

Эксперименты на двух наборах данных растений продемонстрировали, что методы мета-обучения второго порядка, включая MAML++, превосходят классические подходы при минимальном объеме размеченных изображений.